共同研究・競争的資金等の研究課題 - 清水　昌平

1. デジタルツイン因果推論の研究とそれによる環境変化に頑健な機械学習実装の実現，基盤研究(B)，2025年04月 ～ 2029年03月，日本学術振興会

2. デジタルツイン因果推論の研究とそれによる環境変化に頑健な機械学習実装の実現，基盤研究(B)，2025年

3. 複数データに基づく統計的因果探索技術の開発，共同研究，2024年，乙）近江データサイエンスイニシアティブ　丙）富士通株式会社

4. 因果グラフ探索法の研究と評価，受託研究，2024年，国立研究開発法人科学技術振興機構（JST）

5. 識別における因果構造を考慮したAIに対する攻撃機序の理解とその防御戦略の構築，基盤研究(A)，2023年04月 ～ 2028年03月，日本学術振興会

6. 統計エキスパート人材育成プロジェクト，受託事業，2023年04月 ～ 2024年03月，大学共同利用機関法人 情報・システム研究機構

7. 統計エキスパート人材育成プロジェクト，受託事業，2023年04月 ～ 2024年03月，大学共同利用機関法人 情報・システム研究機構

8. 因果推論および因果探索の方法論に関する指導，受託事業，2023年02月 ～ 2024年02月，エヌ・ティ・ティ・コミュニケーションズ株式会社

9. 因果推論および因果探索のデータ分析方法の指導，受託事業，2023年01月 ～ 2023年12月，株式会社SCREENアドバンストシステムソリューションズ

10. 識別における因果構造を考慮したAIに対する攻撃機序の理解とその防御戦略の構築，基盤研究(A)，2023年 ～ 2027年

11. データサイエンス学部清水昌平教授への研究助成，寄附金，2023年，清水昌平

12. データサイエンス学部清水昌平教授への研究助成，寄附金，2023年，清水昌平

13. Agileプロジェクトの指標と品質の因果構造解析，共同研究，国内共同研究，2022年11月 ～ 2023年03月，株式会社エヌ・ティ・ティ・データ

14. 信頼される AI システムを実現するための因果探索基盤技術の確立と応用，その他，信頼されるＡＩシステムを支える基盤技術，2022年10月 ～ 2028年03月，科学技術振興機構

    AIの信頼性を評価・向上させる方法として因果推論のアイデアがよく用いられています。ただ、そのために必要な因果グラフを、背景知識が足りず用意できないことが多いです。そこで本研究では、データから因果グラフを推測する因果探索の方法論研究とそれを用いて政策科学・環境学・予防医学・臨床医学の4領域で因果推論を用いた説明性・公平性の解析に取り組みます。

    

15. 因果グラフ探索法の研究と評価，受託研究，2022年10月 ～ 2025年03月，国立研究開発法人科学技術振興機構

16. 因果グラフ探索法の研究と評価，受託研究，2022年10月 ～ 2025年03月，国立研究開発法人科学技術振興機構

17. データサイエンス課題解決，共同研究，国内共同研究，2022年10月 ～ 2024年03月，日東電工株式会社、株式会社日東分析センター

18. 信頼されるAIシステムを支える基盤技術，戦略的創造研究推進事業，2022年10月 ～ 2024年03月，国立研究開発法人科学技術振興機構

19. 機器の稼働データ故障要因分析，共同研究，国内共同研究，2022年07月 ～ 2023年03月，株式会社デンソー

20. 因果探索アルゴリズムの研究および応用検討，共同研究，国内共同研究，2022年04月 ～ 2023年03月，株式会社東芝

21. 研究助成，寄附金，2022年，因果推論に関する研究助成金

22. 研究助成，寄附金，2022年，因果推論に関する研究助成金

23. 因果推論および因果探索のデータ分析方法の指導，受託事業，2021年11月 ～ 2022年10月，株式会社SCREENアドバンストシステムソリューションズ

24. 統計的因果探索技術のプロセス産業への適用，受託事業，2021年10月 ～ 2022年09月，日鉄テックスエンジ株式会社

25. 製造プロセスの不良原因分析に関する技術指導，受託事業，2021年09月 ～ 2022年03月，東レ株式会社

26. IoTデータ向け因果分析技術の開発，共同研究，国内共同研究，2021年07月 ～ 2022年03月，エヌ・ティ・ティ・コミュニケーションズ株式会社

27. 化学プロセスの時系列データの因果解析，受託事業，2021年05月 ～ 2022年03月，株式会社神戸製鋼所

28. データ関連人材育成プログラムの構築，受託事業，2021年04月 ～ 2022年03月，国立大学法人 大阪大学

29. 統計的因果探索に関する研究指導，受託事業，2021年03月 ～ 2021年08月，株式会社デンソー

30. 研究助成，寄附金，2021年，因果推論に関する研究助成金

31. 因果推論および因果探索のデータ分析方法の指導，受託事業，2020年11月 ～ 2021年10月，株式会社SCREEN

32. 時系列IoTデータ向け因果分析技術の開発，共同研究，国内共同研究，2020年08月 ～ 2021年03月，エヌ・ティ・ティ・コミュニケーションズ株式会社

33. 人工知能（AI）の利用がもたらす生命倫理問題―全体像把握と今後の研究方向提示，その他，挑戦的研究(萌芽)，2020年07月 ～ 2023年03月，日本学術振興会

    前年度と同様、コロナ禍による内外の行動制限や所属機関での業務態様の変化等により、研究の進捗が遅れたままである。現地調査やインタビューは極めて限定的で、海外調査は不可能であった。班会議はオンラインで実施した。
    本年度も主として文献の調査・考察及びオンライン班会議、意見聴取・交換を行った。これらを通じて、医療関連AI技術に関する倫理問題の検討状況について、状況把握を試み、研究班内で情報共有し、検討すべき課題について検討し、以下の成果を得た。
    （１）AI自体がまだ発展途上であることから、AIの医療現場での利活用もまだ限定的である。もっとも利用されている分野は診断であるが、この分野でのAIの倫理的課題については、①責任（Liability）の所在：a）AIによる診断の正確さ、b）AIが診断する根拠となるデータの正確さ、c）AIが自己学習するに際してのデータの適切さ、d）個人情報保護の過誤、e）本来の目的以外にデータを用いてAIが行う判断から生じる不利益と損害、および②個人情報保護（Privacy）：a）AIが診断用いる患者等のデータは機微な個人情報、b）AIが用いるデータの匿名性の確保、c）予期しない形でのAIによる個人情報の活用と診断における個人情報保護、があげられる。この2つの問題は同時にAIの利用における透明性（Transparency）と判断の予期可能性（Expectancy）の問題につながる。
    （２）他方で、AIは、診断にとどまらず、医療機器としての利用およびやケアの場でのパラメディカルな利用があり、特に前者には、患者の治療を機械であるAIに委ねることの倫理的な意義、即ち人間である患者と治療者であるAIとの尊厳（Dignity）の問題を含む微妙な関係が浮かび上がった。
    以上の成果はいまだ試論のレベルにあり、論文化は難しく、次年度に学会発表等により問題提起を行う予定である。

34. Patient Journeyの構造理解システムの開発・検証，受託事業，2020年07月 ～ 2022年02月，サスメド株式会社

35. 化学プロセスの時系列データの因果解析，受託事業，2020年06月 ～ 2021年03月，（株）神戸製鋼所

36. 製造業への統計的因果推論の適用，共同研究，国内共同研究，2020年05月 ～ 2021年03月，日東電工株式会社

37. 未観測共通原因が存在する場合の巡回因果モデル推定法の研究と応用，基盤研究(C)，2020年04月 ～ 2025年03月

38. 未観測共通原因が存在する場合の巡回因果モデル推定法の研究と応用，基盤研究(C)，2020年04月 ～ 2025年03月，日本学術振興会

    1. 複数データセットを用いた潜在因子間の因果探索法を提案した。観測データから潜在因子間の因果構造を推定することは、重要であるが挑戦的な問題である。既存の手法は単一ドメインのデータに焦点を合わせている。本手法では、マルチドメイン非ガウス非循環モデル（MD-LiNA）を提案した。このモデルでは、ドメイン間で因果構造は異なるかもしれないが、潜在因子間の因果構造はなんらか共有されているとし、どの因子が共通でどの因子が特定のドメインに特有かを調べることができる。
    2. 潜在共通原因や潜在中間変数のある場合の非線形因果探索法を提案した。未観測変数の影響があるデータからの因果探索は、重要であるが解決困難な問題である。観測されない変数が観測された変数間の関係に与える影響は、線形な場合よりも非線形な場合の方がより複雑である。本手法では、観測されない変数が存在する場合の因果加法モデルに注目して、未観測変数の影響を受ける変数ペアとそうでないペアを見つけ、そうでないペアの因果方向などを推定する。
    3. 因果モデルと機械学習モデルを組み合わせた個体レベル最適介入推定法を提案した。個人レベルの最適因果介入、すなわち、ある個人のある変数の値をどの値に設定すれば、別の変数の望ましい値が得られるかを推定する、新しい統計的因果推論手法を導入した。これは、望ましい値と、その個人に対する設定の下で得られたであろう値との誤差を最小にする最適化問題として定義される。この最適化問題を解くために、まず目的変数の値を予測する機械学習モデルを学習し、変数の因果構造を推定する。そして、機械学習モデルと因果構造を組み合わせて一つの因果モデルとし、予測された目的変数の反実仮想値を推定する。

39. データ関連人材育成プログラムの構築，受託事業，2020年04月 ～ 2021年03月，大阪大学

40. 因果推論および因果探索のデータ分析方法の指導，受託事業，2019年07月 ～ 2020年06月，株式会社SCREENアドバンスシステムソリューションズソリューションズ

41. 科学プロセスの時系列データの因果解析，受託事業，2019年07月 ～ 2020年03月，（株）神戸製鋼

42. マーケティングデータの分析，受託事業，2019年05月 ～ 2019年07月，株式会社ロックオン

43. 統計的因果推論技術の製鉄プロセスへの適用，受託事業，2019年04月 ～ 2021年03月，日本製鉄(株)プロセス研究所長

44. データ関連人材育成プログラムの構築，受託事業，2019年04月 ～ 2020年03月，大阪大学

45. 機械学習における因果特定に関する研究，共同研究，国内共同研究，2019年02月 ～ 2020年07月，ソニーセミコンダクタマニュファクチャリング株式会社

46. 研究助成，寄附金，2019年，因果推論に関する研究助成金

47. 時系列ＩｏＴデータにおける要因・因果分解析技術の開発，共同研究，国内共同研究，2018年12月 ～ 2020年03月，エヌ・ティ・ティ・コミュニケーションズ株式会社

48. キリンが取り組む因果推論技術に関する研究に関するコンサルティング業務，受託事業，2018年12月 ～ 2019年12月，キリン株式会社

49. 自律適応制御技術の開発，共同研究，国内共同研究，2018年08月 ～ 2019年07月，株式会社デンソー

50. 因果推論および因果探索のデータ分析方法の指導，受託事業，2018年07月 ～ 2019年06月，株式会社SCREENアドバンストシステムソリューションズ

51. データ関連人材育成プログラムの構築，受託事業，2018年04月 ～ 2019年03月，大阪大学

52. 研究助成，寄附金，2018年，因果推論に関する研究助成金

53. データ関連人材育成プログラムの構築，受託事業，2017年10月 ～ 2018年03月，大阪大学

54. 自律適応制御技術の開発，共同研究，国内共同研究，2017年08月 ～ 2018年07月，株式会社デンソー

55. ヘルスデータ統合インフラの開発による「幸せに老いるコミュニティ」の実現，基盤研究(B)，2017年07月 ～ 2020年03月，日本学術振興会

    ICTを生活に実装する技術受容や、データから得られる知見を効果的に共有するコミュニケーション・デザインの観点を取り入れることで、本プロジェクトは、高齢者が主体的に参加する健康支援コミュニティのモデルの実装に成功した。生活と健康に関連するデータを活用して、高齢者の健康支援を行い、幸せに老いるコミュニティを設計することは、超高齢社会における「老いの不安」を解消するための重要な課題である。本フィールドから継続的に得られる知見を活用し、より広範な集団や環境へのプロジェクトの展開を行っていく。

56. 因果的特徴学習，その他，ONRG NICOPプログラム，2017年01月 ～ 2020年01月

57. 因果的特徴学習，その他，ONRG NICOPプログラム，2017年01月 ～ 2020年01月

58. 異質性や非定常性のあるデータにおける未観測交絡変数を許す因果構造推定法と応用，基盤研究(C)，2016年04月 ～ 2020年03月

59. データベクトル間の関連を考慮した多ドメインデータの多変量解析，基盤研究(B)，2016年04月 ～ 2020年03月，日本学術振興会

    画像，タグ，文書等の様々な種類（ドメインと呼ぶ）の情報源から得られるデータベクトルと，データベクトル間の関連性の強さに関する情報が得られているデータを，多ドメイン関連性データと呼ぶ．従来の多変量解析ではベクトルが1対１対応するものを扱っていたため，柔軟なデータ構造を表すことができなかった．本研究ではベクトルの関連性をグラフ（ネットワーク）で表現して，そのグラフ構造をなるべく保存するように次元削減を行う情報統合の方法を提案・発展させた．

60. 異質性や非定常性のあるデータにおける未観測交絡変数を許す因果構造推定法と応用，基盤研究(C)，2016年04月 ～ 2020年03月，日本学術振興会

    LiNGAMモデルは連続変数のみを扱う。異質性を表現するために, LiNGAMモデルが離散変数を扱えるように拡張することを試みた。まずは, 離散変数と連続変数の関係が非巡回有向グラフであると仮定したモデルを開発した。また、離散変数を扱うことのできる機械学習モデルと因果モデルを組み合わせることを考えた。未観測共通原因への対応としては, 非ガウス性と独立性を利用することで操作変数法の拡張を行なった。さらに, 未観測共通原因がどこにありそうかを推測する方法をLiNGAMモデルの枠組みで提案した。

61. 清水昌平准教授への研究助成，寄附金，2016年